面向实时营销的大规模上下文情感提升建模

提高用户参与度和平台收入是线上营销平台的关键目标。情感提升建模（uplift modeling）提出用于解决此问题，通过对满足对应用户需求的不同处理（如折扣、奖励）进行应用。尽管该领域已有所进展，但仍存在局限性。首先，大多数方法聚焦于仅存在用户特征的场景。然而，在实际场景中，线上平台上可获取丰富的上下文信息（如短视频、新闻），情感提升模型需要为特定物品的每个用户推断激励措施，这称为实时营销。仅考虑用户特征会导致对响应的预测偏差，可能导致情感提升预测的累积误差。此外，由于上下文规模庞大，直接将上下文特征与用户特征拼接会导致处理组和对照组之间严重的分布迁移。其次，捕获用户特征与上下文特征之间的相互作用关系有助于更准确地预测用户响应。为解决上述问题，我们提出了一种面向实时营销的 novel model-agnostic 大规模上下文情感提升框架（Robust Uplift Modeling with Large-Scale Contexts, UMLC）。我们的UMLC包括两个定制化模块：1）基于响应引导的上下文分组模块，用于提取上下文特征信息并通过聚类压缩价值空间。2）特征交互模块用于获得更好的情感提升预测。具体而言，该模块包含两个部分：用于更好地建模响应的用户-上下文交互组件；用于发现每个实例对处理分配敏感的特征，以更准确地预测情感提升的处理-特征交互组件。此外，我们在合成数据集和真实产品数据集上进行了大量实验，以验证UMLC的有效性和兼容性。